在复杂网络中查找社区是各种领域中的一个基础数据处理任务，这一任务对于理解网络的结构和功能具有重要的意义。社区发现可以在社交网络中识别出用户群体，在生物网络中识别出功能模块，在互联网中发现区域结构等。对于社区发现的研究，生成模型是一类有希望的技术，它能够从网络中识别出模块特性，这是目前网络分析的一个活跃领域。
提到的生成模型，如配置模型（configuration model），是网络结构的一个随机模型。配置模型在保持网络中每个节点的度（即连接数）不变的情况下，随机地将网络中的边连接起来，使得生成的网络保持了原始网络的度序列。这种模型往往作为研究网络的“无模块性”（null model of modularity）的起点，用于比较和分析实际网络中的社区结构。
然而，这类传统的生成模型存在一个关键问题：它们不能很好地保留实际网络的社区结构。实际上，社区结构是网络中节点间相互连接的一种模式，它说明了节点更倾向于与社区内的其他节点建立联系。如果一个模型不能保留这种结构，它就无法正确地反映出网络中的社区信息，导致社区检测的结果出现失真。
针对上述问题，文章提出了一种对配置模型的扩展，用以解决这一问题。这种方法不是采用块模型（block model），而是对配置模型进行了推广，使其能够描述社区结构。该扩展的配置模型融入了对社区成员关系的软划分（soft community memberships）能力，旨在根据节点属于各个社区的程度来分解和组合子图。
文章中介绍的这一扩展模型是一个重要的理论创新，因为它不仅试图保留原始网络的度序列，而且尝试捕捉网络中的社区属性，这在社区发现的研究中是一个显著的突破。此外，将社区成员关系视为“软”的而非“硬”的划分，意味着模型不会将节点生硬地限定在单一的社区内，而是允许节点以一定的概率属于多个社区，从而更真实地反映了复杂网络中社区结构的模糊性和不确定性。
在实施这一模型时，可能需要使用特定的算法来估计节点的社区成员关系概率以及确定子图的划分。这些算法可能包括但不限于：谱聚类、局部优化策略、以及概率图模型等。每个算法都有其各自的优点和适用场景，研究人员需根据实际网络的特性选择合适的算法。
文章发表在《Journal of Statistical Mechanics》上，显示出其研究结果受到了学术界的认可。从研究论文的发表日期可以看出，这一工作于2013年被接受并在线发布，作者包括来自中国天津大学、吉林大学以及葡萄牙米尼奥大学的研究人员，反映了这是一个国际合作的研究成果。
该研究的引用信息，包括DOI（数字对象唯一标识符），为10.1088/1742-5468/2013/09/P09013，这对于引用原文、查找相关的研究工作和验证研究的原创性具有非常重要的作用。而该文章的下载信息、接收日期、接受日期和发表日期等元数据，为该研究的历史背景提供了时间线，便于读者追踪研究的发展历程。
文章提到的网络社区发现研究不仅对理论有贡献，对于实际应用同样具有指导意义。例如，在社交网络分析中，对社区的识别有助于理解人际关系的形成机制和信息传播的途径；在生物信息学中，发现基因网络中的社区结构有助于了解生物过程和疾病机制；在网络安全领域，社区发现可以用于识别恶意活动的团伙。因此，这项研究的意义不仅限于理论探索，而且对于多个应用领域具有深远的影响。
